As implementações no veículo robótico VERO relativas ao SNA aqui desenvolvido estão avançadas e em fase final de ajustes. Utilizando a linguagem C++ em conjunto com a framework ROS, os subsistemas SOC para geração dos caminhos de referência e SCG para guiamento da plataforma foram embarcados na plataforma e estão atualmente operacionais, sendo os valores utilizados nos diversos parâmetros de sintonização existentes iguais aos apresentados nas seções anteriores. A Figura 5.15 apresenta em uma estrutura de grafo os elementos da framework ROS de nós e de tópicos utilizados nas implementações em questão. A partir desse figura, verifica-se
Figura 5.15: Visualização em estrutura de grafo do SNA implementado com auxílio da fra- mework ROS no veículo robótico VERO.
que o tópico /sick_scan é responsável por disponibilizar as ‘nuvens de pontos’ do ambiente para o nó /nodeRANSAC que, por sua vez, é responsável por fazer os ajustes de retas supor- tes às paredes dos corredores, por calcular a reta bissetriz, por fazer a filtragem dessa reta e, finalmente, por enviá-la ao tópico /ransacBisectrix. A reta bissetriz filtrada, que nada mais é que o caminho de referência, é então disponibilizada pelo tópico /ransacBisectrix ao nó /no- deControl, responsável por calcular os esforços de controle necessários para fazer o guiamento da plataforma. O esforço de controle, no caso o ângulo de esterçamento das rodas dianteiras, é então enviado pelo nó /nodeControl para o tópico /verocarfreedom/car_command, que o repassa ao sistema de atuação da direção e o disponibiliza aos demais nós que necessitam dessa informação.
A Figura 5.16 mostra três imagens que sintetizam um simples experimento de validação tanto das funcionalidades quanto das implementações relativas ao SNA. Nesse experimento, o veículo robótico VERO foi posicionado sobre cavaletes de apoio de modo que suas rodas perdessem o contato com o chão. Também foi construído um pseudo-corredor com a disposição de uma placa de compensando à esquerda da plataforma e de outros objetos à sua direita. Com esses elementos, mostrados na imagem A, com a plataforma imprimindo rotações em suas rodas traseiras equivalentes a um velocidade inercial 𝑣 igual a 0.5 m/s e com os sistemas funcionando em ciclos de aquisição e atuação de 10 Hz, o SNA foi posto em operação. Nessas condições e
A
B
C
outliers
Figura 5.16: Imagens relativas ao SNA operando no veículo robótico VERO.
com as ‘nuvens de pontos’ disponibilizadas pelo sensor laser LIDAR do modelo LMS200/Sick7
- equipamento azul acoplado na plataforma - o SNA satisfatoriamente ajustou retas suporte às paredes do pseudo-corredor, retas em azul e vermelho da imagem B, gerou um caminho de referência, reta em verde da mesma imagem, e calculou o sinal de controle para o guiamento da plataforma - o ângulo de esterçamento das rodas dianteiras, cujo valor em radianos está ressaltado por retângulos amarelos na imagem C.
Especificamente em relação ao ajuste de retas suporte, constata-se da imagem B que o método RANSAC enviesado tratou os outliers da ‘nuvem de pontos’ apresentada adequada- mente, fornecendo assim ajustes representativos das paredes do pseudo-corredor construído. Especificamente em relação ao sinal de controle, constata-se comparando visualmente as ima- gens A e B que o seu valor é adequado em sinal, induzindo o esterçamento das rodas dianteiras na direção esperada de aproximação da plataforma com o caminho de referência, e em magni- 7Embora o SNA foque no uso do sensor laser LIDAR de menor custo fabricado pela Hokuyo, e tenha sido
esse sensor utilizado nas aquisições de ‘nuvens de pontos’ no cafezal da Fazenda Santa Elisa, esta implementação inicial usa o sensor laser LIDAR fabricado pela Sick. Isso se deve à facilidade do Sick estar montado fixamente na plataforma experimental, sempre paralelo ao solo e a uma altura conveniente, enquanto que os sensores Hokuyo podem ter sua angulação ajustada e, portanto, variável caso a caso segundo as necessidades dos demais pesquisa- dores que se utilizam desta plataforma. Ressalta-se no entanto que o uso de um sensor laser ou outro é indiferente para o SNA. Em relação à Figura 5.15 por exemplo, existe igualmente um tópico /hokuyo_scan que disponibiliza as ‘nuvens de pontos’ do sensor laser Hokuyo.
tude, provocando um esterçamento sutil adequado a localização da plataforma com relação ao pseudo-corredor.
A partir dos elementos mostrados e discutidos, verifica-se, em um primeiro momento, que o SNA está operacional e funcionando adequadamente no veículo robótico VERO. Sendo agora necessário um experimento de campo para a obtenção de resultados mais conclusivos.
6
CONCLUSÕES
Apresentou-se neste documento um sistema de navegação autônoma de baixo custo para ambientes de cultivares que necessita apenas das informações disponibilizadas por um sensor laser LIDAR. Esse sistema, denominado de SNA, por meio das informações do sensor laser e das atribuições de seus subsistemas SOC, de geração de caminhos de referência, e SCG, de controle de guiamento, é capaz de coordenar a navegação autônoma da plataforma alvo, a qual, no contexto deste trabalho, é o veículo robótico de exterior VERO.
A partir dos estudos realizados baseados em dados reais, verifica-se que o SOC executa suas atribuições satisfatoriamente, sendo, por meio do RANSAC enviesado, robusto a outliers e gerando, por meio do filtro de Kalman, caminhos de referência representativos dos corredores de cultivares. Obteve desempenho semelhante em ambiente simulado, o SCG na sua atribuição de guiamento da plataforma por entre as fileiras de cultivares. Por fim, resta dizer que dado o desempenho satisfatório do SNA e estando ele já embarcado na plataforma alvo, uma validação experimental se faz necessária para uma demostração definitiva de suas funcionalidades. Para os trabalhos futuros tem-se:
1. a validação experimental do sistema de navegação autônoma desenvolvido; 2. um estudo de robustez de tal sistema;
3. um estudo de inserção de alguma inteligência no processo de sintonização dos parâmetros do SOC;
4. novos estudos comparativos de desempenho do SOC quando utilizando outros métodos para os ajustes de retas suporte às fileiras de cultivares;
5. a identificação das paredes dos corredores de cultivares por meio do Sequential Minimal Optimization (SMO), o qual é um dos possíveis algoritmos utilizados durante a fase de trei- namento de Support Vector Machines (SVM);
6. e, por fim, a resolução do problema de saída do corredor de translado para a entrada do corredor adjacente pela plataforma alvo.
Referências
AZINHEIRA, J.R.; DE PAIVA, E.C.; RAMOS, J. e BEUNO, S. Guidance of an autonomous unmanned airship with the use of differential propulsion. In In PROC. XIII BRAZILIAN CONFERENCE ON AUTOMATION, Florianópolis, SC, Brasil. 2000a.
AZINHEIRA, J.R.; DE PAIVA, E.C.; RAMOS, J. e BEUNO, S. Mission path following for an autonomous unmanned airship. In Robotics and Automation, 2000. Proceedings. ICRA’00. IEEE International Conference on, v. 2, pp. 1269–1275. IEEE, 2000b.
BAKKER, T.; VAN ASSELT, K.; BONTSEMA, J.; MÜLLER, J. e VAN STRATEN, G. Au- tonomous navigation using a robot platform in a sugar beet field. Biosystems Engineering, v. 109, n. 4, 357–368, 2011.
BAR-SHALOM, Y.; LI, X.R. e KIRUBARAJAN, T. Estimation with applications to tracking and navigation: theory algorithms and software. John Wiley & Sons, 2004.
BAYAR, G.; BERGERMAN, M.; KOKU, A.B. e ILHAN KONUKSEVEN, E. Localization and control of an autonomous orchard vehicle. Computers and Electronics in Agriculture, v. 115, 118–128, 2015.
BECHAR, A. e VIGNEAULT, C. Agricultural robots for field operations: Concepts and com- ponents. Biosystems Engineering, v. 149, 94–111, 2016.
BECHAR, A. e VIGNEAULT, C. Agricultural robots for field operations. part 2: Operations and systems. Biosystems Engineering, v. 153, 110–128, 2017.
BERGERMAN, M.; MAETA, S.M.; ZHANG, J.; FREITAS, G.M.; HAMNER, B.; SINGH, S. e KANTOR, G. Robot farmers: Autonomous orchard vehicles help tree fruit production. IEEE Robotics & Automation Magazine, v. 22, n. 1, 54–63, 2015.
BERRY, C.A. Mobile robotics for multidisciplinary study, v. 3. Morgan & Claypool Pu- blishers, 2012.
BUENO, S.S.; AZEVEDO, H.; MIRISOLA, L.G.B.; DE PAIVA, E.C.; RAMOS, J.J.G.; VIC- TORIANO, A.C. e AZINHEIRA, J.R. Uma plataforma para pesquisa e desenvolvimento em
robótica terrestre de exterior. IX Simp. Bras. de Automação Inteligente, (SBAI), Brasilia, DF, 2009.
CARTER, J.; SCHMID, K.; WATERS, K.; BETZHOLD, L.; HADLEY, B.; MATAOSKY, R. e HALLERAN, J. Lidar 101: An introduction to lidar technology, data, and applications. Natio- nal Oceanic and Atmospheric Administration (NOAA) Coastal Services Center. Charles- ton, SC, 2012.
CHAPRA, S.C. e CANALE, R.P. Numerical methods for engineers, v. 2. McGraw-Hill New York, 1998.
CHUM, O. e MATAS, J. Matching with prosac-progressive sample consensus. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on, v. 1, pp. 220–226. IEEE, 2005.
DE LEMOS, R.A.; SOBRAL, G.; MIRISOLA, L.G.B.; MARTINS, R.; KOYAMA, M.F.; DE PAIVA, E.C. e BUENO, S.S. Estratégia de navegação autônoma entre fileiras de cultivares. Anais do XIII Simpósio Brasileiro de Automação Inteligente, 2017.
DOS SANTOS, E.B.; MENDES, C.C.T.; OSORIO, F.S. e WOLF, D.F. Bayesian networks for obstacle classification in agricultural environments. In Intelligent Transportation Systems- (ITSC), 2013 16th International IEEE Conference on, pp. 1416–1421. IEEE, 2013.
DRAPER, N.R. e SMITH, H. Applied regression analysis. John Wiley & Sons, 2014.
FISCHLER, M.A. e BOLLES, R.C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, v. 24, n. 6, 381–395, 1981.
FOLEY, J.A.; RAMANKUTTY, N.; BRAUMAN, K.A.; CASSIDY, E.S.; GERBER, J.S.; JOHNSTON, M.; MUELLER, N.D.; O?CONNELL, C.; RAY, D.K.; WEST, P.C. e outros. So- lutions for a cultivated planet. Nature, v. 478, n. 7369, 337–342, 2011.
GALASSI, M.; DAVIES, J.; THEILER, J.; GOUGH, B.; JUNGMAN, G.; BOOTH, M. e ROSSI, F. Gnu scientific library reference manual (network theory ltd., 2009). URL http://www. gnu. org/s/gsl, v. 103, 2009.
GOLUB, G.H. e VAN LOAN, C.F. An analysis of the total least squares problem. SIAM Journal on Numerical Analysis, v. 17, n. 6, 883–893, 1980.
HARTLEY, R. e ZISSERMAN, A. Multiple view geometry in computer vision. Cambridge university press, 2003.
HIREMATH, S.A.; VAN DER HEIJDEN, G.W.; VAN EVERT, F.K.; STEIN, A. e TER BRAAK, C.J. Laser range finder model for autonomous navigation of a robot in a maize field using a particle filter. Computers and Electronics in Agriculture, v. 100, 41–50, 2014. LAVALLE, S.M. Planning algorithms. Cambridge university press, 2006.
LEE, S.L. A note on the total least square fit to coplanar points. Relatório técnico, Tech. Rep. ORNL-TM-12852, Oak Ridge National Laboratory, 1994.
LI, M.; IMOU, K.; WAKABAYASHI, K. e YOKOYAMA, S. Review of research on agricul- tural vehicle autonomous guidance. International Journal of Agricultural and Biological Engineering, v. 2, n. 3, 1–16, 2009.
MAKARENKO, A.; BROOKS, A. e KAUPP, T. On the benefits of making robotic software frameworks thin. In International Conference on Intelligent Robots and Systems, v. 2. 2007. MARKOVSKY, I. e VAN HUFFEL, S. Overview of total least-squares methods. Signal pro- cessing, v. 87, n. 10, 2283–2302, 2007.
MATAS, J. e CHUM, O. Randomized ransac with t d, d test. Image and vision computing, v. 22, n. 10, 837–842, 2004.
MIRISOLA, L.G.B.; AZEVEDO, H.; RAMOS, J.J.G.; BUENO, S.S.; DE PAIVA, E.C. e AZI- NHEIRA, J.R. Validação experimental de um veículo robótico terrestre para ambientes exter- nos. Anais do X Simpósio Brasileiro de Automação Inteligente, pp. 1322–1327, 2011. QUIGLEY, M.; CONLEY, K.; GERKEY, B.; FAUST, J.; FOOTE, T.; LEIBS, J.; WHEELER, R. e NG, A.Y. Ros: an open-source robot operating system. In ICRA workshop on open source software, v. 3, p. 5. Kobe, Japan, 2009.
RAMOS, Josué Junior Guimarães. Contribuição ao Desenvolvimento de Dirigíveis Robóti- cos. 2002. Tese (Doutorado). Universidade Federal de Santa Catarina.
ROS. Ros-introduction. http://wiki.ros.org/ROS/Introduction, 2014. Aces- sado: 21-05-2017.
ROUSSEEUW, P.J. e LEROY, A.M. Robust regression and outlier detection. Wiley- Interscience Paperback Series, 1987.
SOBRAL, Gabriel Sobral. Planejamento de Trajetória Utilizando Sensores LIDAR para Navegação Robótica em Agricultura. 2015. Trabalho de Graduação. Faculdade de Engenha- ria Mecânica, Universidade Estadual de Campinas.
TAYLOR, J.R. e THOMPSON, W. An introduction to error analysis: the study of uncertainties in physical measurements. 1998.
THANPATTRANON, P.; AHAMED, T. e TAKIGAWA, T. Navigation of autonomous tractor for orchards and plantations using a laser range finder: Automatic control of trailer position with tractor. Biosystems Engineering, v. 147, 90–103, 2016.
TORR, P.H. e ZISSERMAN, A. Mlesac: A new robust estimator with application to estimating image geometry. Computer Vision and Image Understanding, v. 78, n. 1, 138–156, 2000. VAN ROSSUM, G. e DRAKE JR, F.L. Python reference manual. Centrum voor Wiskunde en Informatica Amsterdam, 1995.
WARNER, F.W. Foundations of differentiable manifolds and Lie groups, v. 94. Springer Science & Business Media, 2013.
WEISBERG, S. Applied linear regression, v. 528. John Wiley & Sons, 2005.
XUE, J.; ZHANG, L. e GRIFT, T.E. Variable field-of-view machine vision based row guidance of an agricultural robot. Computers and Electronics in Agriculture, v. 84, 85–91, 2012. ZULIANI, M. Ransac for dummies. Vision Research Lab, University of California, Santa